本发明涉及数据处理领域，具体涉及一种基于人工智能的移动充电机器人调控方法及系统。
背景技术：
1、目前，我国新能源汽车占比已经接近30%，但充电设施的建设速度明显滞后，在充电端仍存在诸多不足，“里程焦虑”仍然存在。在此情况下，移动充电机器人应运而生，其在移动底盘上集成电池包和充放电系统，通过遥控或自动行驶方式可以灵活移动至目标车旁给车充电。目前，移动充电机器人在工作时需要对待充电车辆进行识别从而使用机器臂对车辆充电口接入充电枪，其中关键环节是移动充电机器人需要根据待充电车辆位姿进行精准定位。现有方法是在待充电车辆所在车位预设一个目标位置，使移动充电机器人导航到该目标位置，然后再基于该目标位置执行下一步的相关操作。但是，上述预设的目标位置是待充电车辆以标准停放角度在所在车位上为前提，而由于不同用户的停车习惯不同，待充电车辆如果没能按照标准停放角度停在所在车位上，可能会出现移动充电机器人不能正常给待充电车辆进行充电的情况。
2、目前，公开号为cn115880681a的中国专利申请文件公开了一种基于待充电车辆的车牌的移动充电机器人的控制方法，该方法通过车辆图像中的车牌获取移动充电机器人对应的位置调整值和姿态调整值，对于移动充电机器人的位姿进行纠正，从而解决待充电车辆不按照标准停放角度停在所在车位时导致的移动充电机器人不能正常给待充电车辆进行充电的问题。然而，该方法并未考虑车辆车牌识别可能受到如雨、雪、雾等恶劣天气条件的影响，这些情况会导致车牌识别系统的识别率下降，从而导致无法为后续移动充电机器人提供精准的位姿纠正。
技术实现思路
1、针对上述天气条件导致系统识别率下降的问题，在第一方面中本发明提出了基于人工智能的移动充电机器人调控方法，包括：获取设定数量的待充电车辆图像以及待充电车辆在车位标准停放时的车牌初始位置以及充电口初始位置；基于分类器获取待充电车辆图像对应的雨天、雪天以及雾天的概率；获取待充电车辆车牌的候选框准确位置，具体为：
2、
3、其中表示车牌的候选框准确位置；、和分别表示待充电车辆图像通过分类器所得到的雨天、雪天以及雾天的概率的归一化值；、和分别表示雨天、雪天和雾天场景下车牌候选框的位置；根据所述车牌的候选框准确位置得到待充电车辆的车牌准确位置；计算所述车牌初始位置与车牌准确位置的坐标差确定待充电车辆的偏移量，基于所述偏移量和充电口初始位置确定车辆充电口的实际位置；基于所述实际位置控制充电机器人移动至车辆充电口并完成充电操作。
4、通过基于天气概率分析的图像处理方法，本发明在雨天、雪天、雾天等复杂天气条件下，利用分类器获取待充电车辆车牌的候选框位置，将不同天气场景下的车牌候选框位置进行加权融合，确定车牌的准确位置。相较于现有技术，本发明通过多天气场景的概率归一化处理，使得车牌识别在恶劣天气条件下的精度更高，从而精确计算车牌偏移量并推断充电口实际位置。最终，充电机器人能够通过路径规划和姿态调整，自动移动至充电口并完成充电操作，克服了传统方法在复杂天气下识别精度低、对接充电不准确的局限性，极大提高了系统在各种天气条件下的鲁棒性与智能化水平。
5、进一步地，所述雨天、雪天和雾天场景下车牌候选框的位置的获取方式为：响应于待充电车辆图像存在雨天概率，使用基于卷积神经网络的去雨算法进行平滑处理；响应于待充电车辆图像存在雪天概率，使用基于稀疏编码的去雪算法进行平滑处理；响应于待充电车辆图像存在雾天概率，使用暗通道先验的去雾算法进行平滑处理；对不同天气场景下平滑处理后的图像中车牌候选框位置进行标注并输入yolov5目标检测模型中进行训练；通过训练好的yolov5目标检测模型分别获取雨天、雪天和雾天场景下车牌候选框的位置。
6、基于不同天气条件的去雨、去雪和去雾算法，提高了图像在恶劣天气条件下的清晰度，优化了车牌识别效果。相较于现有的单一算法，针对不同天气场景的图像处理提高了处理效果和准确性。
7、进一步地，权重、和的获取方式还包括：
8、
9、其中、和分别表示雨天、雪天和雾天场景下车牌候选框的置信度；、和分别表示待充电车辆图像通过分类器所得到的雨天、雪天和雾天的概率；所述车牌候选框的置信度通过yolov5目标检测模型获取。
10、使用一种基于不同天气概率权重的车牌位置加权计算方法，通过将车牌候选框在不同天气条件下的置信度加权求和，进一步提高了车牌位置的准确性。相比传统方法，综合天气模型处理具有更高的精度和适应性。
11、进一步地，所述分类器的训练过程为：计算所述待充电车辆图像中所有边缘像素点的梯度幅值均值以及高频成分占比得到历史图像的特征参数；获取所述待充电车辆图像的天气标签；将所述特征参数以及天气标签作为训练数据输入xgboost分类器，得到训练好的分类器。
12、使用xgboost分类器对天气进行分类，提供了高效、精确的天气概率计算，与其他机器学习模型相比，xgboost具有更强的泛化能力和更快的收敛速度，适用于实时场景。
13、进一步地，还包括对所述待充电车辆图像灰度化处理以及中值滤波器降噪。
14、进一步地，所述边缘像素点通过canny边缘检测获取。
15、进一步地，所述高频成分占比通过对待充电车辆图像进行傅里叶变换获取。
16、进一步地，所述路径规划通过rrt路径规划算法获取。
17、使用rrt路径规划算法提供了最优路径规划方案，使得机器人能够在复杂环境中安全、迅速地接近车辆充电口。相比其他路径规划算法，rrt算法在处理动态障碍物和不规则路径方面具有更好的性能。
18、在第二方面中，本发明提供了一种基于人工智能的移动充电机器人调控系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本发明的基于人工智能的移动充电机器人调控方法。
19、本发明的技术效果为：
20、通过基于天气概率分析的多种图像处理算法，结合深度学习模型精确识别车辆车牌位置，并根据车牌偏移量推算充电口实际位置，控制充电机器人通过路径规划和姿态调整自动完成充电操作。该方法提高了复杂天气条件下的识别准确性和自动化充电效率，具备更强的适应性和鲁棒性。
1.一种基于人工智能的移动充电机器人调控方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，所述雨天、雪天和雾天场景下车牌候选框的位置的获取方式为：
3.根据权利要求2所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，权重、和的获取方式还包括：
4.根据权利要求1所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，所述分类器的训练过程为：
5.根据权利要求4所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，还包括对所述待充电车辆图像灰度化处理以及中值滤波器降噪。
6.根据权利要求4所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，所述边缘像素点通过canny边缘检测获取。
7.根据权利要求4所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，所述高频成分占比通过对待充电车辆图像进行傅里叶变换获取。
8.根据权利要求1所述的一种基于人工智能的移动充电机器人调控方法，其特征在于，控制充电机器人移动还包括通过rrt路径规划算法获取最优路径。
9.一种基于人工智能的移动充电机器人调控系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1~8任意一项所述的基于人工智能的移动充电机器人调控方法。
